EM アルゴリズムは,観測できない隠れたパラメータが存在する時に最尤推定 を行うための汎用手法であり,混合分布以外にも隠れマルコフモデルやグラ フィカルモデルの学習に応用されている. EM アルゴリズムは Newton 法(ある いは Fisher のスコアリング法)や勾配法と同様,反復法によって局所最適解を求めるア ルゴリズムであるが,他の手法に比べて次のような長所をもつ [30,69,53,84].
以下ではまず 3.4.2 で, EM アルゴリズムを Dempster らによってまとめられた一般的な 形[30]で説明し,尤度の収束性や収束の速さについて 知られている事柄をまとめる. 次に混合分布に限定してアルゴリズムを導く. 3.4.3 では,独立同分布に従う訓練サンプルが与えられるという 通常学習において仮定される条件に特殊化し, 更に,要素分布が互いに独立な場合を 3.4.4 で述べる. 3.4.5 では,階層的な混合モデルに有用な重み付きの 形でアルゴリズムをまとめる. 続いて 3.4.6 では第 5 章でも用いる EM アルゴリズムの一般化について述べ, 3.4.7 では直観的なイメージを与えるために, Amari[17] によって得られた幾何学的な解釈を述べる.